1. 首页
  2. 问答
  3. 过滤掉HTML标签和蟒蛇解决实体

过滤掉HTML标签和蟒蛇解决实体

2008-09-01 41 views
15

因为正则表达式吓唬我，我试图找到一种方法，从Python中的字符串中删除所有的HTML标签和解决HTML实体。过滤掉HTML标签和蟒蛇解决实体

来源

2008-09-01 akraut

+0

实际上链接深入Python应该是[这]（HTTP：// diveintopython的。org/html_processing/index.html） – 2008-09-02 09:54:12

回答

39

使用lxml这是蟒蛇最好的XML/HTML库。

import lxml.html 
t = lxml.html.fromstring("...") 
t.text_content()

如果你只是想消毒HTML看看lxml.html.clean module

来源

2008-09-01 06:07:01

6

描述虽然我与卢卡斯同意，正则表达式是不是所有的吓人，我还以为你应该用专门的HTML解析器去的作者。这是因为HTML标准足够大（特别是如果你想任意解析从互联网上取下的“HTML”页面），你需要编写大量的代码来处理角落案例。看来python includes one out of the box。

您也应该检查python bindings for TidyLib可以清理破碎的HTML，使得任何HTML解析更高的成功率。

来源

2008-09-01 05:49:04

1

您可能需要比正则表达式更复杂的东西。网页通常有尖括号不属于标签的一部分，就像这样：

<div>5 < 7</div>

剥离与正则表达式的标签将返回字符串“5”和治疗

< 7</div>

为单一标签并将其剥离。

我建议寻找已经编写的代码，这是否适合你。我做了一个搜索，发现这个：http://zesty.ca/python/scrape.html它也可以解析HTML实体。

来源

2008-09-01 05:50:44

15

使用BeautifulSoup！这对你来说是完美的，你有可靠的美德标记，需要从中得到合理的东西。只需传入原始文本，提取所有字符串标签并加入即可。

来源

2008-09-01 05:53:39

+9

，代码如下：''.join（BeautifulSoup（value，convertEntities = BeautifulSoup.HTML_ENTITIES）.findAll（text = True）） – 2011-01-03 20:23:29

0

正则表达式是不可怕的，但写自己的正则表达式剥离HTML是到了疯狂的可靠路径（并且它也行不通）。遵循智慧之路，并使用许多优秀的HTML解析库之一。

Lucas的例子也被打破，因为‘子’不是Python字符串的方法。你必须“导入re”，然后调用re.sub（pattern，repl，string）。但是这并不是那里，因为你的问题的正确答案不涉及写任何正则表达式。

来源

2008-09-01 08:15:28

0

望着感的人的数量都在这里展示在其他的答案，我会说，可能使用正则表达式是不是适合自己情况的最好的主意。去的东西尝试和测试，并把我以前的答案的示威，正则表达式不必是吓人。

如果使用

来源

2008-09-02 00:11:49

相关问题

 相关问题